CN118043951A - 用于经由缺陷及电性测试数据的相关性自动诊断及监测半导体缺陷裸片筛选性能的系统 - Google Patents

Abstract

本发明公开用于确定筛选系统的诊断的系统及方法。此类系统及方法包含：基于在线特性化工具数据来识别缺陷结果；基于电性测试数据来识别电性测试结果；基于所述缺陷结果及所述电性测试结果来产生一或多个相关性度量；及基于所述一或多个相关性度量来确定所述筛选系统的至少一个诊断，所述诊断对应于所述筛选系统的性能。

Description

用于经由缺陷及电性测试数据的相关性自动诊断及监测半导 体缺陷裸片筛选性能的系统

相关申请案的交叉参考

本申请案根据35U.S.C.§119(e)规定要求2022年1月27日申请的标题为“用于经由缺陷及电性测试数据的叠加自动诊断及监测半导体缺陷裸片筛选性能的系统(System forautomatic diagnostics and monitoring of semiconductor defect die screeningperformance through overlay of defect and electrical test data)”的第63/303,977号美国临时申请案的权益，所述临时申请案的全部内容以引用的方式并入本文中。

技术领域

本公开大体上涉及裸片筛选系统，且更特定来说，本公开涉及裸片筛选系统的性能诊断。

背景技术

在制造半导体装置的过程中，晶片经历数百个处理步骤以图案化功能装置。在这些步骤的过程中，执行检验及计量步骤以确保工艺处于控制中且将在制造循环结束时产生功能产品。检验工具可在装置的图案化结构中发现非预期缺陷，而计量工具可测量装置的特征的物理参数(例如膜厚度、图案、叠加等等)与预期物理参数。电性测试工具(例如电探针)还可用于通过测试装置的适当电性功能来测试缺陷。

半导体装置的风险规避用户(例如汽车、军事、航空及医疗应用)需要十亿分率(PPB)范围内的失效率，远低于典型比率。辨识及筛选出已失效或可能在未来失效的装置是满足这些行业要求的关键。尽管一些缺陷及计量误差可能很显著以清楚指示装置失效，但较小变动可具有不明效应。这些较小缺陷的部分(例如潜在可靠性缺陷)可在暴露于其工作环境之后引起装置的提早可靠性失效。各种因素可影响准确筛选已失效或可在未来失效的装置的能力。例如，无法总是快速知道用于筛选过程中的组件何时准确校准或适当运转。

发明内容

根据本公开的一或多个实施例，公开一种筛选系统。在一个说明性实施例中，所述筛选系统包含通信地耦合到一或多个样本分析工具的控制器。在另一说明性实施例中，所述控制器包含一或多个处理器及存储器。在另一说明性实施例中，所述存储器经配置以存储一组程序指令。在另一说明性实施例中，所述一或多个处理器经配置以执行程序指令以使所述一或多个处理器基于从所述一或多个样本分析工具的至少一个在线特性化工具接收的在线特性化工具数据来识别裸片群体的缺陷结果。在另一说明性实施例中，所述一或多个处理器经配置以执行程序指令以使所述一或多个处理器基于从所述一或多个样本分析工具的至少一个电性测试工具接收的电性测试数据来识别所述裸片群体的电性测试结果。在另一说明性实施例中，所述一或多个处理器经配置以执行程序指令以使所述一或多个处理器基于所述经识别缺陷结果及所述经识别电性测试结果来产生一或多个相关性度量。在另一说明性实施例中，所述一或多个处理器经配置以执行程序指令以使所述一或多个处理器基于所述一或多个相关性度量来确定所述筛选系统的至少一个诊断，所述至少一个诊断对应于所述筛选系统的性能。

根据本公开的一或多个实施例，公开一种筛选方法。在一个说明性实施例中，所述方法包含基于从筛选系统的一或多个样本分析工具的至少一个在线特性化工具接收的在线特性化工具数据来识别裸片群体的缺陷结果。在一个说明性实施例中，所述方法包含基于从所述一或多个样本分析工具的至少一个电性测试工具接收的电性测试数据来识别所述裸片群体的电性测试结果。在一个说明性实施例中，所述方法包含基于所述经识别缺陷结果及所述经识别电性测试结果来产生一或多个相关性度量。在一个说明性实施例中，所述方法包含基于所述一或多个相关性度量来确定所述筛选系统的至少一个诊断，所述至少一个诊断对应于所述筛选系统的性能。

应了解，以上一般描述及以下详细描述两者仅供例示及说明且未必限制本发明。并入本说明书中且构成本说明书的部分的附图说明本发明的实施例且与一般描述一起用于阐释本发明的原理。

附图说明

所属领域的技术人员可通过参考附图来更好地理解本公开的众多优点，其中：

图1A说明根据本公开的一或多个实施例的筛选系统的示意性框图；

图1B说明根据本公开的一或多个实施例的筛选系统的框图；及

图2说明描绘根据本公开的一或多个实施例的用于确定筛选系统的诊断的方法或过程的流程图；

图3A说明根据本公开的一或多个实施例的缺陷的图解三维表示；

图3B说明根据本公开的一或多个实施例的潜在可靠性缺陷的图解三维表示；

图4A说明根据本公开的一或多个实施例的缺陷分类器随时间的准确度的图形表示；

图4B说明根据本公开的一或多个实施例的缺陷分类器的误判率的图形表示；

图5说明根据本公开的一或多个实施例的经色彩编码以匹配对应电性测试结果的排序缺陷结果的图形表示；

图6A说明根据本公开的一或多个实施例的工艺控制图的图形表示；

图6B说明根据本公开的一或多个实施例的与晶片的筛选相关联的裸片失准的工艺控制图的图形表示；

图6C说明根据本公开的一或多个实施例的图6B的晶片的图解表示；

图7说明根据本公开的一或多个实施例的可用于电性测试程序评估中的测试覆盖率及测试时间的图形表示；及

图8说明描绘根据本公开的一或多个实施例的用于确定筛选系统的诊断的方法或过程的流程图。

具体实施方式

现将详细参考附图中所说明的公开主题。本公开已相对于其特定实施例及具体特征来特别展示及描述。本文所阐述的实施例应被视为具说明性而非限制性。所属领域的一般技术人员应易于明白，可在不背离本公开的精神及范围的情况下对形式及细节进行各种改变及修改。

本公开的实施例涉及确定筛选系统的性能的诊断。例如，本公开的实施例涉及使用相关性度量来确定性能的诊断，相关性度量可基于缺陷结果与电性测试结果的比较来计算。

一般来说，在装置的特征302上具有非潜在缺陷304及潜在缺陷306(其引起失效或可能在未来引起失效；参阅图3A及3B)的晶片裸片可使用筛选系统100的各种技术中的一或多者筛选出(例如从供应链筛选出)，例如在线特性化方法(例如在线缺陷检测方法)或测试方法(例如电性测试方法)。一般来说，产生缺陷结果的在线特性化方法可基于光学，但产生测试结果的测试方法一般不基于光学(例如(但不限于)电性测试探针)。然而，此类技术会不知不觉地失去准确度。例如，在线特性化方法的缺陷分类器会随时间而性能降级。检测到的缺陷的数目的变化可由缺陷的数目的实际变化引起或变化可为(例如)由缺陷检测能力欠缺的不准确筛选系统引起的“误报”。

通常，人需要周期性检查缺陷分类器的缺陷结果的准确度(例如，使用扫描电子显微镜(SEM)手动检查样本子集)。此周期性检查可耗费大量劳力、缓慢且成本高。应注意，此实例仅供说明，且筛选系统损失性能具有许多其它可能原因。如果无此周期性检查，那么筛选过程要在检测到缺乏性能之前长时间操作。其中需要提供用于诊断筛选系统的性能的方法及系统。

经审慎考虑，如果已知筛选系统性能何时(及/或为什么)改变，那么可导致大量益处。这些益处包含(但不限于)：减少检查不准确所需的劳力/成本(例如减少/消除周期性手动检查的频率)；减少在检测到不准确时需要重新筛选的裸片/晶片的数目(例如通过快速确定不准确开始的时间点)；及减少诊断不准确的原因的时间/劳力(例如如果原因可自动确定/缩小)。进一步益处一般可包含增强筛选系统性能的态势感知、更准确缺陷检测(例如实现十亿分率可靠性)及更高良率。

在此经审慎考虑，至少在一些裸片(例如晶片批次)及筛选系统/方法中，使用在线缺陷检测方法的缺陷结果与使用测试方法的测试结果之间可存在相关性。例如，在某种意义上，相关性可广义类推为：在特定裸片上检测到的缺陷(例如潜在缺陷)越多(例如指示更高失效机会)，所述特定裸片测试(例如电探针测试)失败的可能性越大。

此外，经审慎考虑，此相关性(或其缺乏)可足够可靠地用于确定筛选系统的性能/准确度。然而，应注意，此相关性可能在历史上或必然性上不够可靠。例如，缺陷结果在历史上极其嘈杂且仅可经由最近进步(例如I-PAT缺陷分类器)此类结果才具有足够低的噪声水平以在本公开的实施例中确定性能的背景中可靠地用于此相关性。

相关性可体现于一或多个不同相关性度量(例如(但不限于)结果的比率、基于结果的分级裸片的比率及结果的任何其它度量)中。此外，在一些实施例中，相关性(例如一或多个相关性度量)不仅可用于确定筛选系统的性能何时已改变，且还可用于确定变化的原因(例如一或多个特异性及/或可能性程度)及/或应作出何种改进来校正变化/不准确度。

如本文所使用，术语“诊断”、诊断检验及其类似者可表示确定性能(例如可量化准确度、缺乏准确度、性能变化及其类似者)及/或确定性能变化的根源(例如可能根源是在线特性化工具还是电性测试工具)。本文应注意，在一些实施例中，如图及本文描述中所公开且基于实验数据(例如超过100,000个裸片的概念验证研究)，此类确定的可靠性足以用于筛选系统/方法中以引起至少一些上述益处。

图1A到8大体上说明根据本公开的一或多个实施例的用于确定筛选系统的诊断的系统及方法。在至少一些实施例中，系统及方法可用于增强既有方法用于维护筛选系统。

现参考图1A，说明根据本公开的一或多个实施例的筛选系统100的示意性框图。

筛选系统100可包含(但不限于)一或多个样本分析工具(例如特性化工具112、测试工具114)。特性化工具112可包含(但不限于)检验工具140及/或计量工具142。测试工具114可包含电性测试工具144及/或应力测试工具146。筛选系统100可另外包含(但不限于)控制器122(包含一或多个处理器124、存储器126)及用户接口102。筛选系统100可经配置以筛选样本群体104，但未必包括样本群体104(例如裸片)。例如，样本群体104可为样本中的裸片、一个批次中多个样本中的裸片或多个批次中多个样本中的裸片中的至少一者。特性化工具可经配置以用于产生缺陷结果116且测试工具114可经配置以用于产生测试结果118。

在实施例中，特性化工具112可为所属领域中用于样本104特性化的任何工具，例如检验工具140及/或计量工具142。从特性化工具112产生的结果可为缺陷结果116(例如基于由特性化工具112接收(使用特性化工具112产生)的在线特性化工具数据)且可存储于存储器126中。

在一个非限制性实例中，特性化工具112可包含用于检测样本104的一或多个层中的缺陷的检验工具140(例如在线样本分析工具)。筛选系统100一般可包含任何类型的检验工具140。例如，检验工具140可包含经配置以基于使用来自任何源(例如(但不限于)雷射源、灯源、X射线源或宽带等离子源)的光询问样本104来检测缺陷的光学检验工具。举另一实例来说，检验工具140可包含经配置以基于使用一或多个粒子束(例如(但不限于)电子束、离子束或中性粒子束)询问样本来检测缺陷的粒子束检验工具。例如，检验工具140可包含透射电子显微镜(TEM)或扫描电子显微镜(SEM)。为了本公开的目的，在此应注意，至少一个检验工具140可为单个检验工具140或可表示一群组的检验工具140。

为了本公开的目的，术语“缺陷”可指由在线检验工具发现的物理缺陷、计量测量异常值或被视为异常的半导体装置的其它物理特性。缺陷可被视为制造层或层中的制造图案与设计特性(包含(但不限于)物理、机械、化学或光学性质)的任何偏差。另外，缺陷可被视为制造半导体裸片封装中的组件的对准或接合的任何偏差。此外，缺陷可具有相对于半导体裸片或其上特征的任何大小。以此方式，缺陷可小于半导体裸片(例如在一或多个图案化特征的尺度上)或可大于半导体裸片(例如，作为晶片级划痕或图案的部分)。例如，缺陷可包含在图案化之前或之后样本层的厚度或组成的偏差。举另一实例来说，缺陷可包含图案化特征的大小、形状、定向或位置的偏差。举另一实例来说，缺陷可包含与光刻及/或蚀刻步骤相关联的瑕疵，例如(但不限于)相邻结构之间的搭桥(或缺乏搭桥)、凹坑或孔。举另一实例来说，缺陷可包含样本104的损坏部分，例如(但不限于)划痕或碎片。例如，缺陷的严重度(例如划痕的长度、凹坑的深度、缺陷的测量量值或极性或其类似者)很重要且应被考虑。举另一实例来说，缺陷可包含引入到样本104的外来粒子。举另一实例来说，缺陷可为样本104上的失准及/或误接封装组件。因此，应了解，本公开中缺陷的实例仅供说明且不应解释为限制。

在另一非限制性实例中，特性化工具112可包含用于测量样本104或其一或多个层的一或多个性质的计量工具142(例如在线样本分析工具)。例如，计量工具142可特性化性质，例如(但不限于)层厚度、层组成、临界尺寸(CD)、叠加或光刻处理参数(例如光刻步骤期间照明的强度或剂量)。据此来说，计量工具142可提供关于样本104、样本104的一或多个层或样本104的一或多个半导体裸片的制造的信息，其可与可导致所得制造装置的可靠性问题的制造缺陷的机率相关。为了本公开的目的，在此应注意，至少一个计量工具142可为单个计量工具142或可表示一群组的计量工具142。

在实施例中，测试工具114可包含所属领域中用于测试样本104及测试结果118的任何数目个测试工具及测试工具类型。例如，测试工具114可包含电性测试工具114(例如经配置以产生电老化测试结果、电探针测试结果、最终电性测试结果、在最终测试结果之后及其类似者)。此类结果可为测试结果118(例如基于由电性测试工具144接收(使用电性测试工具144产生)的电性测试数据的电性测试结果118)且可存储于存储器126中。

现参考图1B，说明根据本公开的一或多个实施例的筛选系统100的框图。

筛选系统100可包含特性化工具112(例如图1A的检验工具140及/或计量工具142)及测试工具114(例如图1A的电性测试工具144)，其经配置以筛选样本群体104。样本群体104可由任何技术、个别地、按批次、一次或多次及其类似者以任何顺序(例如依序及/或并行)筛选。例如，样本群体104首先可由特性化工具112(例如在线特性化工具112)(如由材料流104a所展示)在样本群体104的多个层的多个关键制造步骤中在线筛选。接着，例如，在制造过程结束或接近结束时，样本群体104可由测试工具114筛选(例如以执行一或多个电性测试)(如由材料流104b所展示)。

在一些实施例中，缺陷结果116不限于从(及/或由)特性化工具112(例如从其传感器)接收的数据(例如传感器数据)，而是可从此数据导出(例如在基于缺陷的分类步骤220中)。

例如，缺陷分类器120可用于获得此类缺陷结果116。缺陷分类器120可为任何缺陷分类器。例如，缺陷分类器120可应用算法(机器学习、启发式代码或其它)来辨别由检验工具140检测到的每一缺陷的特性以将缺陷分类为某个类别，辨别缺陷的多个特性及其类似者。例如，缺陷可被分类为抑制器/可靠性、所关注缺陷及干扰。接着，可基于此分类方案将适当加权赋予裸片中的每一缺陷以确定裸片的总加权得分(例如I-PAT得分)。裸片得分可用于确定是否应筛选出裸片(例如将裸片进行分级)。

在线缺陷裸片筛选的产生实施方案可需要严格控制缺陷分类器120性能、检验工具140健康及/或检验工具140配方。如果不可靠裸片被错误分类为满足可靠性阈值，那么潜在可靠性失效可进入供应链(即，漏判、漏报)。相反地，如果可靠裸片被错误分类为不可靠且从供应链移除，那么制造工艺招致不必要良率损失(即，误宰、误判)。

此类错误分类可源自许多源，包含(但不限于)：与来自检验工具140的缺陷属性分辨率相关联的缺陷分类器120性能的固有限制、缺陷分类器120设置期间的适当训练图像的可用性及/或缺陷分类器算法性能；与制造处理条件、缺陷形态及/或新装置实施方案的变化相关联的随时间漂移(例如膜厚度的变动，当仍在装置控制限制内时，可略微更改缺陷在筛选系统100中的外观)；基于缺陷的裸片坐标与上墨/测试裸片坐标失准，其可导致缺陷分类器性能灾难性下降；检验工具性能的变化；检验工具配方的变化；及/或其类似者)。因此，操作者可需要花费大量时间来监测及更新缺陷分类器性能以确保最小误宰及漏判。

缺陷分类器120可为特性化工具112(或与特性化工具112分离)的元件(例如在相同或不同控制器上)。缺陷分类器120一般可(但不限于)经配置以基于特性化工具数据来提供各种“基于缺陷”结果116。例如，检验工具140可用于确定对应于(但不限于)检测、重新检测、特性化及/或分类缺陷(潜在及/或非潜在)的方法的结果。此外，此类方法的结果本身可进一步用于(例如在基于缺陷的分类步骤220中；使用缺陷分类器120；等等)执行额外分析。例如，此类结果可用于进一步分析一或多个裸片/晶片可靠性(例如将裸片分级为可接受或可丢弃(且此分级可为缺陷结果116))。例如，I-PAT缺陷分类器120可用于检测/特性化缺陷且确定分级属性，如2017年4月5日申请的标题为“用于在线零件平均测试及潜在可靠性缺陷检测的方法及系统(Methods and Systems for Inline Parts Average Testing andLatent Reliability Defect Detection)”的第10,761,128号美国专利中所公开，所述专利的全部内容特此以引用的方式并入。应注意，上述实例仅供说明且任何缺陷检测方法及系统可用于实现任何基于缺陷的结果116。

在一些实施例中，即使I-PAT缺陷分类器120一般可(例如在其它公开内容中)利用各种类型的基于测试工具114的数据来检测/特性化缺陷，但本公开的缺陷结果116可基于不包含测试工具数据的数据，使得缺陷结果116及测试结果118(例如电性测试结果)是基于数据的互斥源，使得每一者是裸片群体104的可靠性的独立指示。此限制的益处至少包含增大一或多个相关性度量130的信噪比。例如，缺陷结果116可基于在装置制造过程期间对样本104的物理异常检测，而测试结果118可基于完成装置的电性能。

在至少一个实施例中，筛选系统100包含相关性模块106。在一些实施例中，相关性模块106可经配置以基于经识别缺陷结果116及经识别测试结果118产生一或多个相关性度量130。应注意，经识别缺陷结果116可呈其原始形式及/或经处理形式(例如在由缺陷分类器120(例如I-PAT)处理之后，呈表示哪些裸片经分级的裸片分级形式或呈任何其它衍生形式)。如上所述，缺陷结果116与测试结果118之间的相关性可体现于一或多个(不同)相关性度量130中。在一些实例中，相关性模块106可称为“缺陷与测试相关性引擎”。

模块可表示(但不限于)程序指令(例如启发式代码、程序指令的子集、相同/不同控制器上的单独应用程序及/或其类似者)、专用硬件/电路系统(逻辑门)布局及/或其类似者。

在至少一个实施例中，筛选系统100包含经配置以确定(输出、产生及其类似者)至少一个诊断132的诊断模块108。在一个实例中，诊断模块108包含机器学习模块134。机器学习模块可为经配置以使相关性度量130与诊断132相关的任何机器学习模块(且可基于多组类似训练相关性度量及多组一或多个训练诊断进行训练)。应注意，诊断模块108可为任何模块(例如常规/启发式程序指令)且未必包含所展示的机器学习模块134。在一些实例中，诊断模块108可称为“诊断精灵”。在至少一些实施例中，诊断模块108可经配置以使相关性度量130解卷积以确定性能变化的根本原因(例如分类器降级、裸片网格失准、检验器系统降级、检验器配方问题、测试器故障或一些其它原因)。例如，机器学习模块134可经配置以自动确定根本原因。

现参考图2，说明描绘根据本公开的一或多个实施例的用于确定筛选系统100的诊断132的方法或过程的流程图200。

根据一或多个实施例，使用特性化工具112的缺陷检测步骤212经展示且可包括关键制造步骤中的多个层操作204，且可(在基于缺陷的分类步骤220之前及/或之后)聚合来自层操作204的数据。在至少一些实施例中，在缺陷检测步骤212中筛选100％样本104(例如100％裸片)。例如，可使用在线缺陷检测工具140(例如及计量工具142的计量数据)筛选样本104。

例如，来自缺陷检测步骤212的数据116a可为指示检测到、经分类、经特性化及/或其类似者的缺陷的数目的原始传感器数据及/或至少部分经处理/经聚合数据。此原始及/或经处理数据116a可等效于图1B中所展示的缺陷结果116，在此意义上，数据116a可准备用于相关步骤206中，或替代地，数据116a(至少其部分)可在任选基于缺陷的分类步骤220中使用(例如聚合、用于模块中及其类似者)以产生缺陷结果116b。例如，基于缺陷的分类步骤220可用于基于一或多个特性化工具112的特性化数据116a(例如在线特性化工具数据)经由缺陷分类器120(例如I-PAT缺陷分类器)产生缺陷结果116b。此类缺陷结果116b可能为缺陷结果116。

在另一实例中，缺陷结果116b可基于统计异常值分析，例如G-PAT、P-PAT、Z-PAT及其类似者。

在至少一个实施例中，可使用特性化工具112(例如检验工具140、用于缺陷分类器中的计量工具142或其类似者)的任何组合来识别缺陷，其在半导体裸片及/或半导体裸片封装中的所关注层的一或多个层操作204(例如光刻、蚀刻、对准、接合或其类似者)之前或之后利用。据此来说，制造过程的各种阶段中的缺陷检测步骤212可指称在线缺陷检测。应注意，计量工具142未必用于直接使缺陷成像，而是可在缺陷检测步骤212(例如I-PAT分类器)中使用来自其的数据(例如膜厚度等等)来改进缺陷检测/特性化的准确度。

根据一或多个实施例，展示使用测试工具114的测试及基于测试的分类步骤214。测试及基于测试的分类步骤214可使用任何测试工具来分析样本(例如裸片)的可靠性。例如，测试及基于测试的分类步骤214可包含使用电性测试工具144基于电性测试结果118使裸片分级(例如及/或电性测试结果118本身可包含/为分级裸片，使得(例如)分级裸片的比率可计算为相关性度量)。

至少一些实施例包含相关步骤206。例如，来自特性化工具112(例如利用I-PAT缺陷分类器120)的缺陷结果116及测试结果118可由相关性模块106(如图1B中所展示)聚合以产生一或多个相关性度量130。

至少一些实施例包含诊断步骤208。例如，一或多个相关性度量130可由诊断模块108(如图1B中所展示)用于产生及/或确定筛选系统100的性能的至少一个诊断132。

诊断132可为(例如或包含)指示缺陷分类器120的相对较低缺陷分类器性能(例如低于先前)的降级诊断。

诊断132可为样本分析工具的裸片级失准诊断，如下文相对于图6B及6C所展示及描述。裸片级失准诊断可指示至少一个测试工具114相对于至少一个在线特性化工具112的裸片失准。

诊断132可为指示至少一个在线特性化工具的在线缺陷配方的变化的缺陷配方偏差诊断。例如，可在不知情的情况下改变筛选系统配方(例如检验配方)以引起筛选系统100的性能的未记录变化。缺陷配方偏差诊断可为在线检验缺陷配方偏差诊断。在一个实例中，生产配方的未授权变化负面影响性能。在另一实例中，与筛选系统100相关联的在线缺陷检验配方无意地改变为用于基线缺陷检验工艺控制的配方。上述实例仅供说明，且可发生许多其它实例，例如在200mm及150mm工艺的不复杂工厂自动化系统中。

诊断132可为指示至少一个在线特性化工具的硬件或软件中的至少一者的偏差的在线特性化工具偏差诊断。例如，硬件可包含检验工具140硬件。例如，硬件可包含降级照明源(例如，其可引起捕获率降低)。尽管许多系统可具有照明源的自动监测及校准，但在无本公开的实施例的情况下，此意外失效模式仍会发生。此外，可确定筛选系统的性能的改进，这可包含替换降级照明源。

诊断132可为指示筛选系统的组件的预测维护间隔的预测维护间隔诊断。替代地，预测维护间隔诊断可为预测维护间隔改进。

诊断132可为指示至少一个电性测试工具144的性能的偏差的电性工具偏差诊断。例如，电探针工具144的尖端可损坏、降级及/或其类似者且在筛选系统100的用户不知情的情况下产生不准确测量。

诊断132可为在对筛选系统方法进行改变时指示筛选系统方法的性能的偏差的筛选系统方法降级诊断。

可自动产生一或多个相关性度量130(例如在足以提供性能的统计显著表示的大裸片群体上)。性能的统计显著表示的实例可包含(但不限于)以下中的至少一者：一批至少5个、25个等等晶片；特定数目个批次(例如至少5个)的滚动平均数(参阅图6A)；或其类似者。

一或多个相关性度量130可包含分级比度量，其对应于基于经识别缺陷结果116进行分级以移除的裸片群体的裸片的数目与基于经识别测试结果118进行分级以移除(例如经最终分级以移除)的裸片的数目之间的比率。

一或多个相关性度量130可包含对应于缺陷分类器120的聚合置信度得分(例如图5的缺陷得分，例如聚合置信度得分、I-PAT得分、缺陷导向Z-PAT及/或其类似者)的分类器置信度度量。

一或多个相关性度量130可包含对应于一类缺陷结果(例如每类聚合置信度得分)与测试结果118之间的一或多个相关性的一或多个每类相关性度量。例如，缺陷结果可按其类过滤(例如干扰缺陷、所关注缺陷及其类似者)且每一类或一或多个类的特定子集可用于产生一或多个相关性度量。例如，每一相关性度量可基于不同类的缺陷结果。可使用所属领域中已知的任何方法/工具来确定类，包含任何特性化工具(例如检验工具140及缺陷分类器120)。例如，一些缺陷可具有比其它缺陷更强的与封装后测试及老化后最终测试的相关性。在一些实例中，产生每一类缺陷与(多个类型的测试结果的)每一测试结果的相关性度量。

一或多个相关性度量130可包含对应于一类缺陷结果的一或多个属性的属性的导数与电性测试结果之间的一或多个导数相关性的一或多个每类导数相关性度量。例如，属性可包含缺陷的任何属性(例如大小、类型、形状、位置及其类似者或任何其它属性)且由所属领域中已知的任何方法/工具(包含任何特性化工具)确定。例如，导数可表示基于类的一或多个属性产生的相关性、过滤、计算、子类或任何其它导数。例如，导数相关性可为一阶导数。例如，可每类跟踪缺陷属性的常态曲线分布(例如缺陷分类器的前10个最重要属性)以监测显著偏差。此类偏差可指示配方改变或工具相关问题。此外，可使用有限时间序列，其可允许将配方改变作为额外变量进行移除。另外，此有限时间序列可允许通过从实施缺陷分类器的时间跟踪变化来隔离配方变化。

在任选步骤(未展示)中，可基于诊断132来确定改进。改进可指示可手动及/或自动执行以改进筛选系统100的一或多个步骤。

在一些实施例中，改进包含(经配置用于)减小至少一个在线特性化工具(及/或电性测试工具)的误判率或漏报率中的至少一者。例如，在一些实施例中，缺陷分类器120性能总体上改进为具有更少可靠性逃逸及/或更少良率损失。

在一个实例中，在线缺陷分类器120的性能由于一或多个原因(例如不同膜厚度、之前未训练的不同类型的缺陷特性等等)而随时间降级且确定改进(例如缺陷分类器改进)来解决此问题。例如，可向用户发送以下警示：在线缺陷分类器120已降级且应基于在线缺陷分类器120降级的诊断来重新训练/重新校准。据此来说，可确定缺陷分类器120的预测性维护。

在一些实施例中，改进可指示(对应于)以下中的至少一者：1)调整缺陷分类器的属性或阈值中的至少一者；或2)重新训练缺陷分类器的机器学习模型。例如，改进可为(但不限于)发送到用户以警示用户应采取上述步骤中的至少一者的通信。上述实例仅供说明，且改进可为筛选系统100的任何步骤或元件的任何改进且可由任何控制器、模块及其类似者(例如诊断模块108的机器学习模块134的输出)确定。据此来说，相关性度量(及/或缺陷结果及电性测试结果)可用于确定筛选系统100的性能变化的根本原因且指示/传达应执行对应改进(修复)。

现参考图4A，说明缺陷分类器120随时间的准确度(例如指示性能)的图形表示408。如所展示，归因于各种因素(例如样本104的膜厚度的变化、未对由特性化工具112获得的图像的类型进行训练及引起降级的任何其它原因)，无干预缺陷分类器准确度404可随时间自然降低。然而，有干预缺陷分类器准确度402可随时间维持准确度(例如归因于周期性手动检查、重新训练、校准及其类似者；及/或归因于本公开的实施例的干预(基于改进确定的动作))。

在任选步骤(未展示)中，基于相关性度量130确定缺陷分类器120维护的自适应取样。

在任选步骤(未展示)中，基于相关性度量130确定缺陷分类器120的缺陷分类器的维护频率。

在任选步骤(未展示)中，基于相关性度量130确定出现一类新缺陷。

在任选步骤(未展示)中，基于相关性度量130确定缺陷分类器120的手动抽查缺陷分类器维护的降低所需频率。据此来说，可获得“预测性维护”益处。用于监测在线缺陷裸片筛选的缺陷分类器性能的传统系统可依赖自动缺陷分类器120结果(例如缺陷结果116b)与来自人类专家的手动分类结果的逐缺陷比较。这可耗费劳力且需要周期性(例如每周或每月)对缺陷群体的小子集(例如<1％)执行。此比较的实例结果可由许多不同度量(例如准确度、纯度、精确度、召回率、F1得分)特性化且如下文图4B及表1中所展示那样绘制。

现参考图4B，说明缺陷分类器120的误判率及真正率的图形表示400(例如接收器操作特性(ROC)曲线)。如所展示，完全随机预测分类器模型将产生随机/无用结果410。其它模型展示比随机猜测更好的各种结果412、414、416。结果412展示有效缺陷分类器模型的高真正率。

	预测类1	预测类2	预测类3	纯度
					类1：干扰	5539	196	127	94％
类2：DOI	143	1731	94	88％
					类3：抑制器	144	95	2922	92％
准确度	95％	86％	93％

表1

上表1说明实例混淆矩阵，其通常用于比较缺陷分类器模型预测结果(行)与由专家手动实现的结果(列)。大数目5539、1731及2922展示分类器模型预测/识别为类1、2或3缺陷与专家识别为类1、2或3缺陷之间的一致区域。

一般来说，ROC曲线及/或混淆矩阵方法可为用于维持至少一些样本分析工具(例如在工艺控制系统中)的性能的(至少部分)明确测量的方法。此外，在缺陷级(例如而非裸片级)执行此类方法一般可允许进行缺陷分类器改进的可诉性洞察(例如哪些缺陷类未很好地被检测)。然而，此方法指示资源密集的限制可包含依赖人类专家、依赖基于光学的工具及/或扫描电子显微镜、耗时及使用依据筛选步骤的数目而增加的资源。其它限制可包含利用有限数目个样本、不一致性(例如与由不同于评估缺陷分类器的用户的用户产生/设置的缺陷分类器混淆)、受限于分类器性能的偏差(例如未必指示检验工具性能、检验工具配方、测试器性能或测试覆盖效率)。

现参考图5，说明经色彩编码以匹配对应电性测试结果118的排序缺陷结果116的图形表示图表500。例如，缺陷结果116可为可量化得分(例如I-PAT得分)，且电性测试结果118可为二进制通过/失败(例如如果裸片的多个电性测试中的任一者失败，那么总体失败)。图表500可为直方图，其中每一细、逐像素垂直线是从最差到最好从左到右排序的特定裸片，其中较高线(较高得分)是较差、更不可靠裸片。此外，所展示的具有浅色散列图案的个别垂直线506(即，裸片)是失败电性测试裸片506(应注意：为清楚起见，每一全像素垂直线506未彼此分离)，且黑色垂直线是通过电性测试裸片504。应注意，图形可被截断且可展示最差几百个(例如数千个)裸片中的不到1％。可确定异常值截止阈值502，使得异常值截止阈值502左侧的所有裸片经分级丢弃。例如，图5可指示缺陷结果116与经分级移除的电性测试结果118之间的约93％一致性的相关性。此相关性(或其它相关性度量130)可足够高(且足够一致)以用于本公开的一或多个实施例中。

一般来说，如由图表500的左侧的通过电性测试裸片504的缺乏(低密度)所展示，裸片不太可能具有高(差)缺陷得分且仍通过所有电性测试。如由图表500的右侧的通过电性测试裸片504的提高密度(例如更黑线)所左证，缺陷得分越低，所述特定裸片通过电性测试的可能性越高。这大体上说明本公开中所描述的“相关性”。例如(仅供说明且未必是可能结果)，如果大多数通过电性测试裸片504替代地位于排序图表的左侧(或随机分散)而非右侧上，那么此实例将指示“缺乏相关性”且可指示故障特性化工具112或测试工具114。

现参考图6A，说明根据本公开的一或多个实施例的统计工艺控制(SPC)图表600的图形表示。使用SPC图表600的实施例的变型可包含缺陷分类器120的自适应取样及/或预测性维护。

在一些实施例中，产生一或多个相关性度量130可包含产生经配置以允许跟踪一或多个相关性度量130的一或多个相关性度量130的一或多个工艺控制图数据。在一些实施例中，确定筛选系统的诊断132包含：监测对应于一或多个工艺控制图数据的工艺控制图数据的控制极限阈值；及基于控制极限阈值及工艺控制图数据来识别控制极限阈值突破。

例如，一或多个工艺控制图数据可为所展示的多个批次值602，其中每一批次值602是特定批次(样本)104的相关性度量130的值。在一些实施例中，控制下限阈值606可用于确定筛选系统100的性能何时已改变。例如，所属领域中可使用任何统计跟踪方法，例如(但不限于)5批次滚动平均数604。在另一实例中，可使用任何西电(Western Electric)规则来确定控制极限606突破，例如确定1)任何单个数据点何时从数据的中心线落在3σ极限外、2)三个连续点中的两个何时超出2σ极限、3)五个连续点中的四个何时超出1σ极限、4)九个连续点何时落在中心线的相同侧上及/或其类似者。

如果确定已发生控制极限阈值606的突破608，那么可产生、触发、更新、确定、传输及其类似者诊断132。警示610可为经配置以警示用户或模块性能下降的警示诊断。

现参考图6B及6C，说明特性化工具112及测试工具114的裸片级失准的特定失效情况的实例。图6B说明与晶片的筛选相关联的裸片失准的工艺控制图的图形表示620。图6C说明图6B的晶片的图解表示624。

如图6C中所展示，晶片可包含许多裸片(例如裸片626、630、632)。裸片一般可基于检测到的缺陷来分级。例如，在位置628附近开始的缺陷(黑点)的对角线图案可引起裸片的对角线图案分级。如本实例中所展示，在实例晶片的筛选过程中的某个点处，测试工具114变得与裸片失准，使得测试工具114在测试测试工具114经配置以测试的裸片右侧一个位置及上方一个位置的裸片以使结果偏斜。因此，当映射到晶片时，与更准确分级的缺陷筛选裸片630相比，使用电性测试结果分级(脱墨)的电筛选裸片632的图案被不正确分级。此失准事件可引起大量误判(误宰)及漏报(漏判)分级。

如图6B中所展示，相对于图6C，此事件可使(相关性度量的)批次值602突然下降622到低于控制阈值606。此突然下降可用于警示用户此失准。在一些实施例中，此失准可用于与在线缺陷裸片筛选、在线计量裸片筛选、杀伤率、杀伤机率分析、良率预测及/或其类似者相关的方法中。

现参考图7，说明测试覆盖率及测试时间(可用于测试工具114的测试配方(例如测试程序评估)中)的标绘线702的图形表示700，如通常可使用。

一般来说，较高测试覆盖率提供较大防缺陷逃逸保护。然而，所需测试时间一般随着测试覆盖率接近100％而呈指数增加。鉴于测试时间(例如劳力/成本)，成本效益点704(例如固定型故障覆盖率的AEC规格)可为测试覆盖率的最优点(例如98％)。测试时间可在装置的制造寿命中调整。这些调整可并入解决已发现的差距的测试程序的改进。然而，通常，测试程序的调整随着样本制造改进或响应客户的“降低成本”压力而降低测试覆盖率。本公开的至少一些实施例的益处可允许比通常实现更高的测试覆盖率及/或更低成本。例如，相关性模块106可用于提供允许改进测试程序评估(例如测试时间与测试覆盖率之间的权衡)的相关性度量130。

在一些实施例中，一或多个相关性度量130可用于提供有价值反馈及/或优化/调整电性测试配方。例如，通常，可测试设计(DFT)人员可需要优化特定筛选过程的电性测试成本。故障模型可用于识别在相当于高覆盖率的样本(裸片的电路)中的大多数点检测电故障所需的模式。一般来说，更多测试时间及更多编写测试工程时间通常可实现更高覆盖率，但这以更多成本/劳力为代价。

图8是描绘用于确定根据本公开配置的筛选系统100的诊断132的方法800(或过程)的流程图。例如，控制器122可经配置以可通信地耦合到一或多个样本分析工具，且可包含经配置以执行程序指令以使一或多个处理器执行方法800的步骤(及本公开的任何步骤、方法或其类似者)的处理器。

在步骤802中，可基于从筛选系统100的一或多个样本分析工具的至少一个在线特性化工具112接收的在线特性化工具数据来识别(确定、接收、获取、产生及其类似者)裸片群体104的缺陷结果116。

在步骤804中，可基于从一或多个样本分析工具的至少一个电性测试工具144接收的电性测试数据来识别(确定、接收、获取、产生及其类似者)裸片群体104的电性测试结果118。

在步骤806中，可基于经识别缺陷结果116及经识别电性测试结果118来产生一或多个相关性度量130。

在步骤808中，可基于一或多个相关性度量130来确定筛选系统的至少一个诊断132，至少一个诊断132对应于筛选系统100的性能。例如，确定至少一个诊断132可包含：获取经配置以确定筛选系统100的至少一个诊断132的诊断模块108；及经由诊断模块108确定至少一个诊断132。

再次参考图1A，另外详细描述各种组件的实施例。

如本文先前所述，筛选系统100的控制器122可包含一或多个处理器124及存储器126。存储器126可包含经配置以使一或多个处理器124执行本公开的各种步骤的程序指令。

在另一实施例中，用户接口102的显示器可经配置以向用户显示筛选系统100的数据。

如本文先前所述，控制器122的一或多个处理器124可通信地耦合到存储器126，其中一或多个处理器124可经配置以执行保存于存储器126中的一组程序指令，且程序指令组可经配置以使一或多个处理器124执行本公开的各种功能及步骤。

在此应注意，筛选系统100的一或多个组件可以所属领域中已知的任何方式通信地耦合到筛选系统100的各种其它组件。例如，一或多个处理器124可经由有线连接(例如铜线、光纤电缆及其类似者)或无线连接(例如RF耦合、IR耦合、WiMax、蓝牙、3G、4G、4G LTE、5G及其类似者)来彼此通信耦合及耦合到其它组件。举另一实例来说，控制器122可经由所属领域中已知的任何有线或无线连接来通信地耦合到筛选系统100的一或多个组件。

在一个实施例中，一或多个处理器124可包含所属领域中已知的任何一或多个处理元件。在此意义上，一或多个处理器124可包含经配置以执行软件算法及/或指令的任何微处理器型装置。在一个实施例中，一或多个处理器124可由以下组成：台式计算机、主计算机系统、工作站、图像计算机、并行处理器或经配置以执行经配置以操作筛选系统100的程序的其它计算机系统(例如联网计算机)，如本公开中所描述。应认识到，本公开中所描述的步骤可由单个计算机系统或替代地，多个计算机系统执行。此外，应认识到，本公开中所描述的步骤可在一或多个处理器124中的任何一或多者上执行。一般来说，术语“处理器”可经广义界定为涵盖具有执行来自存储器126的程序指令的一或多个处理元件的任何装置。此外，筛选系统100的不同子系统(例如特性化工具112、测试工具114、控制器122、用户接口102及其类似者)可包含适合于执行本公开中所描述的步骤的至少部分的处理器或逻辑元件。因此，以上描述不应被解释为对本公开的限制，而是仅为说明。

存储器126可包含适合于存储可由相关联的一或多个处理器124执行的程序指令及从筛选系统100接收的数据的所属领域中已知的任何存储媒体。例如，存储器126可包含非暂时性存储器媒体。例如，存储器126可包含(但不限于)只读存储器(ROM)、随机存取存储器(RAM)、磁性或光学存储器装置(例如磁盘)、磁带、固态驱动器及其类似者。应进一步注意，存储器126可与一或多个处理器124收容于共同控制器外壳中。在替代实施例中，存储器126可相对于处理器124、控制器122及其类似者的物理位置远程定位。在另一实施例中，存储器126保存用于使一或多个处理器124执行本公开中所描述的各种步骤的程序指令。

在一个实施例中，用户接口102通信地耦合到控制器122。用户接口102可包含(但不限于)一或多个台式计算机、平板计算机、智能电话、智能手表或其类似者。在另一实施例中，用户接口102包含用于向用户显示筛选系统100的数据的显示器。用户接口102的显示器可包含所属领域中已知的任何显示器。例如，显示器可包含(但不限于)液晶显示器(LCD)、基于有机发光二极管(OLED)的显示器或CRT显示器。所属领域的技术人员应认识到，能够与用户接口102集成的任何显示装置适合实施于本公开中。在另一实施例中，用户可响应于经由用户接口102的用户输入装置向用户显示的数据而输入选择及/或指令。例如，用户可查看(或控制器可经配置以显示)一或多个相关性度量130、诊断132或改进。在至少一个实施例中，筛选系统经配置以在用户接口102上显示图形用户接口，其中图形用户接口包含相关性度量130及改进(例如推荐)的定量表示。

本文所描述的所有方法可包含将方法实施例的一或多个步骤的结果存储于存储器中。结果可包含本文所描述的结果中的任何者且可以所属领域中已知的任何方式存储。存储器可包含本文所描述的任何存储器或所属领域中已知的任何其它适合存储媒体。在存储结果之后，结果可存取于存储器中且由本文所描述的方法或系统实施例中的任何者使用、经格式化以向用户显示、由另一软件模块、方法或系统使用等等。另外，结果可“永久”、“半永久”、“暂时”或在一段时间内存储。例如，存储器可为随机存取存储器(RAM)，且结果未必无限期保存于存储器中。

经进一步审慎考虑，上述方法的实施例中的每一者可包含本文所描述的任何其它(若干)方法的任何其它(若干)步骤。另外，上述方法的实施例中的每一者可由本文所描述的系统及/或组件中的任何者执行。

所属领域的技术人员将认识到，本文所描述的组件、操作、装置、对象及其伴随讨论用作实例以使概念清楚且可考虑各种配置修改。因此，如本文所使用，所阐述的特定范例及伴随讨论希望表示其更一般类别。一般来说，使用任何特定范例希望表示其类别，且不包含特定组件、操作、装置及对象不应被视为限制。

如本文所使用，定向术语(例如“顶部”、“底部”、“上面”、“下面”、“上”、“向上”、“下”、“下方”及“向下”)希望为了描述而提供相对位置，且不希望指定绝对参考系。所属领域的技术人员将明白所描述的实施例的各种修改，且本文所界定的一般原理可应用于其它实施例。

关于在本文中使用实质上任何复数及/或单数术语，所属领域的技术人员可视内文及/或应用的需要将复数转化为单数及/或将单数转化为复数。为了清楚而未在本文中明确阐述各种单数/复数排列。

本文所描述的主题有时说明含于其它组件内或与其它组件连接的不同组件。应了解，此类描绘架构仅供例示，且事实上可实施实现相同功能性的许多其它架构。就概念来说，实现相同功能性的组件的任何布置经有效“相关联”以实现所期望功能性。因此，本文中经组合以实现特定功能性的任何两个组件可被视为彼此“相关联”以实现所期望功能性，不管架构或中间组件如何。同样地，如此相关联的任何两个组件还可被视为彼此“连接”或“耦合”以实现所期望功能性，且能够如此相关联的任何两个组件还可被视为可彼此“耦合”以实现所期望功能性。可耦合的特定实例包含(但不限于)可物理配合及/或物理交互组件及/或可无线交互及/或无线交互组件及/或逻辑交互及/或可逻辑交互组件。

另外，应了解，本发明由所附权利要求书界定。所属领域的技术人员应了解，一般来说，本文及尤其所附权利要求书(例如所附权利要求书的主体)中所使用的术语一般希望为“开放”术语(例如，术语“包含”应被解释为“包含(但不限于)”，术语“具有”应被解释为“至少具有”，等等)。所属领域的技术人员应进一步了解，如果想要引入权利要求叙述的特定数目，那么此意图要在权利要求中明确叙述，且如果无此叙述，那么无此意图存在。例如，为辅助理解，以下所附权利要求书可含有使用引入性词组“至少一个”及“一或多个”来引入权利要求叙述。然而，使用此类词组不应被解释为隐含由不定冠词“一”引入权利要求叙述使含有此引入权利要求叙述的任何特定权利要求受限于仅含有一个此叙述的发明，即使相同权利要求包含引入性词组“一或多个”或“至少一个”及例如“一”的不定冠词(例如，“一”通常应被解释为表示“至少一个”或“一或多个”)；此同样适用于用于引入权利要求叙述的定冠词的使用。另外，即使明确叙述引入权利要求叙述的特定数目，但所属领域的技术人员应认识到，此叙述通常应被解释为表示至少叙述数目(例如，无其它修饰词的“两个叙述”的裸叙述通常表示至少两个叙述或两个或更多个叙述)。另外，在其中使用类似于“A、B及C中的至少一者及其类似者”的惯例的那些例子中，此构造一般希望为所属领域的技术人员通常所理解的意义(例如，“具有A、B及C中的至少一者的系统”将包含(但不限于)仅具有A、仅具有B、仅具有C、同时具有A及B、同时具有A及C、同时具有B及C及/或同时具有A、B及C的系统，等等)。在其中使用类似于“A、B或C中的至少一者及其类似者”的惯例的那些例子中，此构造一般希望为所属领域的技术人员通常所理解的意义(例如，“具有A、B或C中的至少一者的系统”将包含(但不限于)仅具有A、仅具有B、仅具有C、同时具有A及B、同时具有A及C、同时具有B及C及/或同时具有A、B及C的系统，等等)。所属领域的技术人员应进一步了解，无论在[具体实施方式]、权利要求书或图式中，呈现两个或更多个替代项的几乎任何析取用语及/或词组应被理解为审慎考虑包含项中的一者、两项中的任一者或两项的可能性。例如，词组“A或B”将被理解为包含“A”或“B”或“A及B”的可能性。

据信，本公开及其许多伴随优点将通过以上描述理解，且应明白，可在不背离本公开或不牺牲其所有材料优点的情况下对组件的形式、构造及布置进行各种改变。所描述的形式仅供说明，且所附权利要求书希望涵盖及包含此类改变。另外，应了解，本发明由所附权利要求书界定。

Claims (46)

1.一种筛选系统，其包括：

控制器，其经通信地耦合到一或多个样本分析工具，其中所述一或多个样本分析工具包括至少一个在线特性化工具及至少一个电性测试工具，所述控制器包含一或多个处理器，所述一或多个处理器经配置以执行程序指令以使所述一或多个处理器：

基于从所述一或多个样本分析工具的所述至少一个在线特性化工具接收的在线特性化工具数据来识别裸片群体的缺陷结果；

基于从所述一或多个样本分析工具的所述至少一个电性测试工具接收的电性测试数据来识别所述裸片群体的电性测试结果；

基于所述经识别缺陷结果及所述经识别电性测试结果来产生一或多个相关性度量；及

基于所述一或多个相关性度量来确定所述筛选系统的至少一个诊断，所述至少一个诊断对应于所述筛选系统的性能。

2.根据权利要求1所述的筛选，其中所述缺陷结果经由所述至少一个在线特性化工具的缺陷分类器来识别。

3.根据权利要求2所述的筛选系统，其中所述一或多个相关性度量包括对应于所述缺陷分类器的聚合置信度得分的分类器置信度度量。

4.根据权利要求2所述的筛选系统，其中所述一或多个处理器经进一步配置以所述执行程序指令以使所述一或多个处理器确定所述缺陷分类器的手动抽查缺陷分类器维护的降低所需频率。

5.根据权利要求2所述的筛选系统，其中所述筛选系统的所述至少一个诊断包括指示所述至少一个在线特性化工具的所述缺陷分类器的缺陷分类器性能的降级诊断。

6.根据权利要求5所述的筛选系统，其中所述一或多个处理器经进一步配置以执行所述程序指令以使所述一或多个处理器：

基于所述降级诊断来确定缺陷分类器改进，所述缺陷分类器改进对应于以下中的至少一者：

调整所述缺陷分类器的属性或阈值中的至少一者；或

重新训练所述缺陷分类器的机器学习模型。

7.根据权利要求1所述的筛选系统，其中所述至少一个在线特性化工具包括：

检验工具或计量工具中的至少一者。

8.根据权利要求1所述的筛选系统，其中所述裸片群体包括：

样本中的裸片、一个批次中的多个样本中的裸片或多个批次中的多个样本中的裸片中的至少一者。

9.根据权利要求1所述的筛选系统，其中所述经识别缺陷结果及所述经识别电性测试结果是基于互斥数据源，使得每一者是所述裸片群体的可靠性的独立指示。

10.根据权利要求1所述的筛选系统，其中所述一或多个相关性度量包括分级比度量，所述分级比度量对应于基于所述经识别缺陷结果来分级移除的所述裸片群体的裸片的数目与基于所述经识别电性测试结果来分级移除的所述裸片群体的裸片的数目之间的比率。

11.根据权利要求1所述的筛选系统，其中所述确定所述至少一个诊断包括：

获取经配置以确定所述筛选系统的所述至少一个诊断的诊断模块；及

经由所述诊断模块来确定所述至少一个诊断。

12.根据权利要求11所述的筛选系统，其中所述诊断模块包括经训练用于使多组训练相关性度量与多组一或多个训练诊断相关的机器学习模型。

13.根据权利要求1所述的筛选系统，其中所述一或多个处理器经进一步配置以执行程序指令以使所述一或多个处理器：

基于所述至少一个诊断来确定所述筛选系统的所述性能的改进。

14.根据权利要求13所述的筛选系统，其中所述筛选系统的所述性能的所述改进包括以下中的至少一者：

降低所述至少一个在线特性化工具的误判率或漏报率中的至少一者；或

降低所述至少一个电性测试工具的误判率或漏报率中的至少一者。

15.根据权利要求14所述的筛选系统，其中所述至少一个诊断包括指示所述至少一个电性测试工具相对于所述至少一个在线特性化工具的裸片失准的裸片布局失准诊断。

16.根据权利要求14所述的筛选系统，其中所述至少一个诊断包括指示所述至少一个在线特性化工具的在线缺陷配方的变化的在线缺陷配方偏差诊断。

17.根据权利要求14所述的筛选系统，其中所述至少一个诊断包括指示所述至少一个在线特性化工具的硬件或软件中的至少一者中的偏差的在线特性化工具偏差诊断。

18.根据权利要求17所述的筛选系统，其中所述硬件包括降级照明源，其中所述筛选系统的所述性能的所述改进包括替换所述降级照明源。

19.根据权利要求1所述的筛选系统，其中所述至少一个诊断包括以下中的至少一者：

所述至少一个电性测试工具与所述至少一个在线特性化工具之间的失准；

所述筛选系统的组件的预测维护间隔；

在线缺陷检验配方的偏差；

所述至少一个在线特性化工具的软件及/或硬件中的偏差；或

所述至少一个电性测试工具的性能的偏差。

20.根据权利要求1所述的筛选系统，其中所述产生所述一或多个相关性度量包括产生经配置以允许跟踪所述一或多个相关性度量的所述一或多个相关性度量的一或多个工艺控制图数据。

21.根据权利要求20所述的筛选系统，其中确定所述筛选系统的所述至少一个诊断包括：

监测对应于所述一或多个工艺控制图数据的工艺控制图数据的控制极限阈值；及

基于所述控制极限阈值及所述工艺控制图数据来识别控制极限阈值突破。

22.根据权利要求1所述的筛选系统，其中所述一或多个相关性度量包括对应于一类缺陷结果与所述电性测试结果之间的一或多个相关性的一或多个每类相关性度量。

23.根据权利要求1所述的筛选系统，其中所述一或多个相关性度量包括对应于一类缺陷结果的一或多个属性的属性的导数与所述电性测试结果之间的一或多个导数相关性的一或多个每类导数相关性度量。

24.一种用于筛选的方法，其包括：

基于从筛选系统的一或多个样本分析工具的至少一个在线特性化工具接收的在线特性化工具数据来识别裸片群体的缺陷结果；

基于从所述一或多个样本分析工具的至少一个电性测试工具接收的电性测试数据来识别所述裸片群体的电性测试结果；

基于所述经识别缺陷结果及所述经识别电性测试结果来产生一或多个相关性度量；及

基于所述一或多个相关性度量来确定所述筛选系统的至少一个诊断，所述至少一个诊断对应于所述筛选系统的性能。

25.根据权利要求24所述的方法，其中所述缺陷结果经由所述至少一个在线特性化工具的缺陷分类器来识别。

26.根据权利要求25所述的方法，其中所述一或多个相关性度量包括对应于所述缺陷分类器的聚合置信度得分的分类器置信度度量。

27.根据权利要求25所述的方法，其中所述至少一个诊断包括指示所述至少一个在线特性化工具的所述缺陷分类器的缺陷分类器性能的降级诊断。

28.根据权利要求25所述的方法，其进一步包括确定所述缺陷分类器的手动抽查缺陷分类器维护的降低所需频率。

29.根据权利要求27所述的方法，其进一步包括：

基于所述降级诊断来确定缺陷分类器改进，所述缺陷分类器改进对应于以下中的至少一者：

调整所述缺陷分类器的属性或阈值中的至少一者；或

重新训练所述缺陷分类器的机器学习模型。

30.根据权利要求24所述的方法，其中所述至少一个在线特性化工具包括：

检验工具或计量工具中的至少一者。

31.根据权利要求24所述的方法，其中所述裸片群体包括：

样本中的裸片、一个批次中的多个样本中的裸片或多个批次中的多个样本中的裸片中的至少一者。

32.根据权利要求24所述的方法，其中所述经识别缺陷结果及所述经识别电性测试结果是基于互斥数据源，使得每一者是所述群体的可靠性的独立指示。

33.根据权利要求24所述的方法，其中所述一或多个相关性度量包括分级比度量，所述分级比度量对应于基于所述经识别缺陷结果来分级移除的所述裸片群体的裸片的数目与基于所述经识别电性测试结果来分级移除的所述裸片群体的裸片的数目之间的比率。

34.根据权利要求24所述的方法，其中所述确定所述至少一个诊断包括：

获取经配置以确定所述筛选系统的所述至少一个诊断的诊断模块；及

经由所述诊断模块来确定所述至少一个诊断。

35.根据权利要求34所述的方法，其中所述诊断模块包括经训练用于使多组训练相关性度量与多组一或多个训练诊断相关的机器学习模型。

36.根据权利要求24所述的方法，其进一步包括：

基于所述至少一个诊断来确定所述筛选系统的所述性能的改进。

37.根据权利要求36所述的方法，其中所述筛选系统的所述性能的所述改进包括以下中的至少一者：

降低所述至少一个在线特性化工具的误判率或漏报率中的至少一者；或

降低所述至少一个电性测试工具的误判率或漏报率中的至少一者。

38.根据权利要求37所述的方法，其中所述至少一个诊断包括指示所述至少一个电性测试工具相对于所述至少一个在线特性化工具的裸片失准的裸片布局失准诊断。

39.根据权利要求37所述的方法，其中所述至少一个诊断包括指示所述至少一个在线特性化工具的在线缺陷配方的变化的在线缺陷配方偏差诊断。

40.根据权利要求37所述的方法，其中所述至少一个诊断包括指示所述至少一个在线特性化工具的硬件或软件中的至少一者中的偏差的在线特性化工具偏差诊断。

41.根据权利要求40所述的方法，其中所述硬件包括降级照明源，其中所述筛选系统的所述性能的所述改进包括替换所述降级照明源。

42.根据权利要求24所述的方法，其中所述至少一个诊断包括以下中的至少一者：

所述至少一个电性测试工具与所述至少一个在线特性化工具之间的失准；

所述筛选系统的组件的预测维护间隔；

在线缺陷检验配方的偏差；

所述至少一个在线特性化工具的软件及/或硬件中的偏差；或

所述至少一个电性测试工具的性能的偏差。

43.根据权利要求24所述的方法，其中所述产生所述一或多个相关性度量包括产生经配置以允许跟踪所述一或多个相关性度量的所述一或多个相关性度量的一或多个工艺控制图数据。

44.根据权利要求43所述的方法，其中确定所述筛选系统的所述至少一个诊断包括：

监测对应于所述一或多个工艺控制图数据的工艺控制图数据的控制极限阈值；及

基于所述控制极限阈值及所述工艺控制图数据来识别控制极限阈值突破。

45.根据权利要求24所述的方法，其中所述一或多个相关性度量包括对应于一类缺陷结果与所述电性测试结果之间的一或多个相关性的一或多个每类相关性度量。

46.根据权利要求24所述的方法，其中所述一或多个相关性度量包括对应于一类缺陷结果的一或多个属性的属性的导数与所述电性测试结果之间的一或多个导数相关性的一或多个每类导数相关性度量。